論文の概要: ContinuityLearner: Geometric Continuity Feature Learning for Lane
Segmentation
- arxiv url: http://arxiv.org/abs/2108.03507v1
- Date: Sat, 7 Aug 2021 19:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-11 10:04:16.242836
- Title: ContinuityLearner: Geometric Continuity Feature Learning for Lane
Segmentation
- Title(参考訳): continuitylearner:線分分割のための幾何連続性特徴学習
- Authors: Haoyu Fang, Jing Zhu, Yi Fang
- Abstract要約: 本研究では,車線内における幾何学的学習を支援するために,ContinuityLearnerというディープネットワークを提案する。
提案するCNNに基づくパラダイムは,新しいコンテキスト符号化画像特徴学習ネットワークである。
レーンの幾何学的連続性機能を実行するContinuityLearnerは、トラフィックシナリオのレーンを直接予測するように訓練されている。
- 参考スコア(独自算出の注目度): 15.62632093697334
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lane segmentation is a challenging issue in autonomous driving system
designing because lane marks show weak textural consistency due to occlusion or
extreme illumination but strong geometric continuity in traffic images, from
which general convolution neural networks (CNNs) are not capable of learning
semantic objects. To empower conventional CNNs in learning geometric clues of
lanes, we propose a deep network named ContinuityLearner to better learn
geometric prior within lane. Specifically, our proposed CNN-based paradigm
involves a novel Context-encoding image feature learning network to generate
class-dependent image feature maps and a new encoding layer to exploit the
geometric continuity feature representation by fusing both spatial and visual
information of lane together. The ContinuityLearner, performing on the
geometric continuity feature of lanes, is trained to directly predict the lane
in traffic scenarios with integrated and continuous instance semantic. The
experimental results on the CULane dataset and the Tusimple benchmark
demonstrate that our ContinuityLearner has superior performance over other
state-of-the-art techniques in lane segmentation.
- Abstract(参考訳): レーンのセグメンテーションは、車線マークが閉塞や極端照明によって弱いテクスチャ一貫性を示すが、一般的な畳み込みニューラルネットワーク(CNN)が意味オブジェクトを学習できない交通画像において強力な幾何学的連続性を示すため、自律運転システム設計において難しい問題である。
従来のcnnにレーンの幾何学的手がかりを学習させるため,continuitylearnerという深層ネットワークを提案する。
特に,提案するcnnに基づくパラダイムでは,クラス依存画像特徴マップを生成する新しいコンテキストエンコーディング画像特徴学習ネットワークと,レーンの空間情報と視覚情報の両方を融合して幾何学的連続性特徴表現を利用する新しい符号化層を含む。
continuitylearnerは、レーンの幾何学的連続性特徴に基づいており、統合的かつ連続的なインスタンスセマンティクスを用いて、トラフィックシナリオにおけるレーンを直接予測するように訓練されている。
CULaneデータセットとTusimpleベンチマークの実験結果から、ContinuityLearnerはレーンセグメンテーションにおける他の最先端技術よりも優れた性能を示している。
関連論文リスト
- GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-10-19T17:56:03Z) - USegScene: Unsupervised Learning of Depth, Optical Flow and Ego-Motion
with Semantic Guidance and Coupled Networks [31.600708674008384]
UegSceneは、ステレオカメラ画像の奥行き、光学的流れ、エゴモーション推定を意味的に導くためのフレームワークである。
一般的なKITTIデータセットを用いて,提案手法が他の手法よりも大きなマージンで優れていることを示す。
論文 参考訳(メタデータ) (2022-07-15T13:25:47Z) - Convolutional Neural Networks Demystified: A Matched Filtering
Perspective Based Tutorial [7.826806223782053]
畳み込みニューラルネットワーク(CNN)は、大量の信号や画像を分析するためのデファクト標準である。
我々は、最初の原則と一致するフィルタリングの観点から、それらの操作を再考する。
このチュートリアルが、深層ニューラルネットワークの理解とさらなる発展に新たな光と物理的直感をもたらすことを願っています。
論文 参考訳(メタデータ) (2021-08-26T09:07:49Z) - Fusing the Old with the New: Learning Relative Camera Pose with
Geometry-Guided Uncertainty [91.0564497403256]
本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。
本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。
学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
論文 参考訳(メタデータ) (2021-04-16T17:59:06Z) - Knowledge Distillation By Sparse Representation Matching [107.87219371697063]
本稿では,一方の畳み込みネットワーク(cnn)から他方へ,スパース表現を用いて中間知識を伝達するスパース表現マッチング(srm)を提案する。
勾配降下を利用して効率的に最適化し、任意のCNNにプラグアンドプレイで統合できるニューラルプロセッシングブロックとして定式化します。
実験の結果,教師と生徒のネットワーク間のアーキテクチャの違いに頑健であり,複数のデータセットにまたがる他のkd技術よりも優れていた。
論文 参考訳(メタデータ) (2021-03-31T11:47:47Z) - Wider Vision: Enriching Convolutional Neural Networks via Alignment to
External Knowledge Bases [0.3867363075280543]
CNNのミラーリングまたはアライメントを通じて、CNNのモデルを外部の知識ベースに説明し、拡張することを目指しています。
これにより、視覚機能ごとにセマンティックなコンテキストやラベルを与えることができます。
その結果,アライメント埋め込み空間では,ナレッジグラフのノードは類似した意味を持つcnn特徴ノードに近いことがわかった。
論文 参考訳(メタデータ) (2021-02-22T16:00:03Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳(メタデータ) (2020-08-19T04:53:31Z) - Fully Convolutional Networks for Continuous Sign Language Recognition [83.85895472824221]
連続手話認識は、空間次元と時間次元の両方の学習を必要とする困難なタスクである。
本稿では,オンラインSLRのための完全畳み込みネットワーク (FCN) を提案し,弱い注釈付きビデオシーケンスから空間的特徴と時間的特徴を同時に学習する。
論文 参考訳(メタデータ) (2020-07-24T08:16:37Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳(メタデータ) (2020-03-03T07:27:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。